强化学习 K-摇臂赌博机模型 Multi-armed Bandit，Python代码

1.K摇臂赌博机模型

K-摇臂赌博机（MAB,Multi-armed Bandit）是一种单步强化学习任务理论模型。K-摇臂赌博机有k个摇臂，投入一枚硬币后，按下其中一个摇臂，每个摇臂会以一定的概率吐出硬币作为回报，但是这个概率是未知的，需要通过一定的策略实现回报最大化。

2.仅探索和仅利用

仅探索（exploration-only），探索各个摇臂的奖赏均值，以相同的概率选择每一个摇臂；
仅利用（exploitation-only），每次选择当前平均奖赏最大的摇臂。
探索和利用两者之间是相互矛盾的，由于总的尝试次数是有限的，采用“探索”则无法每次选择最优的选项，选择“利用”则无法发现可能潜在的更优的选项，这就是强化学习中的“探索-利用窘境（Exploration-Exploitation dilemma）”所以要实现累积回报最大化，需要在“探索”和“利用”之间达到一个较好的折中。

3.epsilon greedy与softmax算法

(1)epsilon贪心算法: 每次决策时，以概率e进行仅探索（以均匀的概率随机选择一个摇臂）；以概率1-e进行仅利用（选择目前为止平均奖赏最大的摇臂）
(2)softmax算法: 每次决策时，先计算所有摇臂的平均奖赏的softmax值，然后以这个值为摇臂的概率来选择摇臂。其中有个τ值，用来控制倾向于探索或利用的程度。

4.Python 代码

Python代码 github链接.

1.设置摇臂arm数目